100% Akurasi = (11) Lingkungan Pengembangan
|
|
- Suparman Susanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang dikompresi merupakan citra dengan nilai ruang warna dasar R=G=B, maka warna dasar akan sama dengan citra awal (Grayscale), dengan nilai pixel berkisar pada Bila input citra adalah citra berwarna (nilai R, G, dan B berbeda), maka terlebih dahulu dilakukan proses transformasi ke citra Grayscale. 2 Pada citra Grayscale kemudian dilakukan proses transformasi gelombang yang akan menghasilkan empat komponen matriks yaitu komponen diagonal (CD1), komponen horizontal (CH1), komponen vertical (CV1), dan komponen aproksimasi (CA1) Komponen aproksimasi disimpan ke media penyimpanan agar komponen ini tidak berubah. 3 Pada komponen-komponen hasil transformasi (selain komponen aproksimasi) dilakukan proses kuantisasi. Tujuan proses kuantisasi ini adalah untuk mengurangi jumlah variasi (redundansi) data pada komponen-komponen hasil transformasi selain komponen aproksimasi. 4 Proses terakhir adalah proses pengkodean (kompresi) terhadap komponen-komponen hasil kuantisasi. Hasil pengkodean bersama dengan komponen aproksimasi disimpan sebagai suatu file yang terkompresi. Algoritma Rekonstruksi Wavelet Rekonstruksi wavelet Haar dapat dijelaskan sebagai berikut : 1 Membaca data atau file terkompresi gelombang singkat. 2 Melakukan proses decoding dan dilanjutkan proses kuantisasi balik (de-quantization) untuk mengembalikan data yang sebelumnya dikuantisasi saat proses kompresi. Proses ini akan memperoleh kembali komponen-komponen detail, horizontal, dan vertikal. 3 Menggabungkan seluruh komponen hasil tahap 2 dengan komponen aproksimasi. 4 Melakukan transformasi gelombang singkat balik (invers Wavelet transformation) terhadap komponen-komponen hasil tahap 3. 5 Proses terakhir adalah melakukan proses transformasi linear balik untuk menghasilkan ruang warna sesuai dengan citra semula sehingga diperoleh kembali citra semula dengan sifat lossy. Klasifikasi Menggunakan K-Nearest Neighbors Setelah melakukan transformasi wavelet kemudian citra aproximasi yang dihasilkan dari transformasi wavelet level 2 direkonstruksi ke citra semula, kemudian citra tersebut akan diklasifikasikan menggunakan K-Nearest Neighbors (). Konsep dasar dari adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga terdekatnya dalam data pelatihan. Berikut adalah algoritme dari (Song et al. 2007) : 1 Menentukan nilai K. 2 Menghitung jarak data pada setiap data training dengan eucledian. 3 Mendapatkan K data yang memiliki jarak terdekat. Evaluasi Hasil Klasifikasi Kinerja Model akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. dapat dihitung dengan persamaan berikut : = dddddddd uuuuuu bbbbbbbbbb kkkkkkkkkkkkkkkkkkkkkk jjjjjjjjjj h dddddddd uuuuuu Lingkungan Pengembangan 10 (11) Sistem ini dikembangkan dan diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut : 1 Perangkat Keras : Intel core tm 1.5 GHz (2 CPUs), Memori 2 GB, Hard Disk kapasitas 160 GB. 2 Perangkat Lunak : Windows 7 sebagai sistem operasi, Matlab 7.7 Photoshop CS 3 HASIL DAN PEMBAHASAN Penelitian ini mengimplementasikan transformasi wavelet Haar level dua. Hasil dari citra aproximasi transformasi level dua direkontruksi ke citra semula. Citra yang digunakan pada penelitian ini adalah citra dari daun anthurium dan padi dengan tujuh kelas citra, dimana tiap-tiap kelas memiliki 100 buah citra dengan format yang sama yaitu JPEG. 8
2 Ekstraksi Ciri Tekstur Hasil dari ekstraksi ciri tekstur untuk seluruh citra yang ada di data training adalah sebuah matriks berukuran , karena terdapat 560 buah citra di data training, sedangkan dalam data testing terdapat sebuah matriks berukuran 140 x dan setiap citra direpresentasikan dengan sebuah vektor yang memiliki elemen sebanyak 1 x Dekomposisi Wavelet Haar Pada percobaan ini diterapkan praproses menggunakan dekomposisi wavelet Haar. Data yang digunakan mengalami proses dekomposisi hingga level dua (Gambar 21). Citra hasil dekomposisi yang digunakan pada proses pengenalan penyakit adalah citra aproximasi level dua. Contoh citra untuk tiap level dekomposisi dapat dilihat pada Gambar 22 dan Gambar 23. dan data anthurium dengan padi. Dalam setiap percobaan perbandingan data latih dan data uji sebesar dan. Semua data latih dan uji melalui tahap dekomposisi wavelet Haar level 2, setelah itu data latih diklasifikasikan sesuai dengan kelas penyakitnya masing-masing, untuk melakukan pengujian dilakukan klasifikasi. Hasil Pengujian Data Anthurium dengan Klasifikasi K-Nearest Neighbors. Citra latih anthurium yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri wavelet Haar dan klasifikasi K- NN dapat dilihat pada Tabel 1 dan Gambar 24. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 75%. Tabel 1 Hasil Data Anthurium dengan Gambar 21 Citra Dekomposisi level 2. BK BD DK JJJJJJJJJJJJ k= k= k= k= k= k= Sample Dengan : BK = Bercak Kuning BD = Bercak Daun DK = Daun Keriting Gambar 22 Citra Dekomposisi Level 1. Grafik akurasi pengenalan anthurium dari klasifikasi setiap kelas tanaman anthurium ditunjukkan pada Gambar Gambar 23 Citra Dekomposisi Level 2. Penelitian ini melibatkan proses ekstraksi ciri terhadap data citra penyakit yang akan dideteksi, yang menghasilkan pola ciri citra penyakit. Ekstraksi citra menggunakan wavelet Haar. Setelah dilakukan proses alihragam berulang kali, menunjukkan wavelet Haar level 2 yang paling baik. Sehingga untuk ekstraksi ciri pada penelitian ini digunakan wavelet Haar level 2. Identifikasi Penyakit Penelitian ini dilakukan dengan tiga data latih yaitu, data latih anthurium, data latih padi, Gambar 24 Pengenalan Setiap Anthurium Grafik akurasi pengenalan citra anthurium dengan klasifikasi, ditunjukkan pada Gambar 25. BK BD DK 9
3 10 10 SP LE TR HD Gambar 25 Pengenalan Anthurium. Berdasarkan pada Gambar 25 diperoleh akurasi pengenalan data anthurium untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah 75%, 83%, 73%, 75%, 71%, dan 71%. Terlihat bahwa K=3 untuk K tetangga terdekat memperoleh akurasi terbesar mencapai 83%, dengan akurasi penyakit bercak daun 65%, bercak kuning 9, dan daun keriting 95%. Hasil Pengujian Data Padi dengan Klasifikasi K-Nearest Neighbors. Citra latih padi yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri wavelet Haar dan klasifikasi dapat dilihat pada Tabel 2 dan Gambar 26. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 79%. Tabel 2 Hasil Data Padi dengan SP LE TR HD Jumlah k= k= k= k= k= k= Sample dengan : SP = Brown Spot LE = Leaf Blast TR = Tungro HD = Hawar Daun. Grafik akurasi pengenalan anthurium dari klasifikasi setiap kelas tanaman anthurium ditunjukkan pada Gambar 26. Gambar 26 Setiap padi Grafik akurasi pengenalan citra padi dengan klasifikasi, ditunjukkan pada Gambar Gambar 27 Pengenalan Padi Berdasarkan pada Gambar 27 diperoleh akurasi pengenalan data padi untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah, 78.75%, 78.75%,, 77.5%, dan 76.25%. Terlihat bahwa K=2 dan K=5 untuk tetangga terdekat memperoleh akurasi terbesar mencapai, dengan akurasi penyakit Brown Spot 10, Leaf Blast 75%, Tungro 9, dan Hawar daun 55% pada K=2, sedangkan akurasi penyakit pada K=5 Brown Spot 10, Leaf Blast, Tungro 85%, dan Hawar daun 7. Hasil Pengujian Data Anturium dan Padi dengan Klasifikasi K-Nearest Neighbors. Citra latih tanaman anthurium dan padi yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan ekstraksi ciri Wavelet Haar dan klasifikasi dapat dilihat pada Tabel 3 dan Gambar 28. Berdasarkan tabel dan gambar tersebut maka dapat dilihat bahwa citra dapat dikenali oleh sistem dengan cukup baik. Dengan rata-rata K tetangga terdekat dari K=2 sampai dengan K=7 mencapai 71%. 10
4 Tabel 3 Hasil Data Tanaman Anthurium dan Padi dengan BK BD DK SP LE TR HD Jumlah k= k= k= k= k= k= Sample BK BD DK SP LE TR HD Gambar 28 pengenalan Tanaman Anthurium dan Padi Grafik akurasi kebenaran dari klasifikasi K- NN tanaman anthurium dan padi, yaitu seperti yang ditunjukkan pada Gambar Gambar 29 Grafik Rasio Pengenalan Anturium dengan Padi. Berdasarkan pada Gambar 29 diperoleh akurasi pengenalan data tanaman anthurium dan padi untuk K tetangga terdekat dari K=2 sampai K=7 berturut-turut adalah 7, 71.4%, 72.8%, 71.4%, 71.4%, dan 68.5%. Terlihat bahwa K=4 untuk K tetangga terdekat memperoleh akurasi terbesar mencapai 72.8%, dengan akurasi penyakit bercak daun, bercak kuning 65%, daun keriting, Brown Spot 95%, Leaf Blast 55%, Tungro 9, dan Hawar daun 5. Terliahat pada hasil pengenalan tersebut dengan K tetangga terdekat K=4 Untuk penyakit Leaf Blast dan tungro memiliki akurasi yang cukup rendah yaitu di bawah sehingga sangat mempengaruhi hasil akhir dari akurasi. Perbandingan Ketiga Jenis Data Latih Dari ketiga jenis data latih yaitu, data latih anthurium, data latih padi, dan data anthurium dengan padi secara garis besar menyatakan hasil akurasi identifikasi penyakit menggunakan wavelet dan klasifikasi K-Nearest Neighbors bahwa data latih menggunakan anthurium lebih baik dibandingkan dengan data latih padi maupun data latih anthurium dengan padi, hal ini dikarenakan citra uji di luar citra latih tergantung pada jarak terdekat dan jumlah anggota kelas yang terbanyak pada basis data. Berdasarkan Gambar 30 terlihat bahwa hasil akurasi dengan wavelet dengan klaifikasi K- Nearest Neighbors memiliki akurasi yang cukup baik dengan data latih anthurium, padi dan gabungan anthurium dan padi yang mencapai akurasi lebih dari 7. 11
5 Gambar 30 Perbandingan Hasil Pada klasifikasi K-Nearest Neighbors dengan data uji anthurium, padi, dan gabungan antara anthurium dengan padi semakin besar nilai k yang diambil, maka semakin besar pula kesalahan klasifikasi yang terjadi. Hal ini dikarenakan semakin besar nilai k, maka daerah batas keputusan juga semakin lebar. Semakin lebar daerah batas keputusan, maka kemungkinan terjadi kesalahan semakin tinggi. Kesimpulan KESIMPULAN DAN SARAN Berdasarkan penelitian yang telah dilakukan mulai dari tahap perancangan hingga pengujian yang dilakukan pada sistem pengolahan citra untuk mendeteksi penyakit pada daun anthurium dan padi, maka dapat diambil kesimpulan sebagai berikut : 1 Rancangan sistem identifikasi penyakit padi dan anthurium menggunakan wavelet dengan klasifikasi K-Nearest Neighbors (K- NN) bekerja dengan baik walaupun terjadi beberapa kesalahan dalam pengenalan. 2 pengenalan citra penyakit anthurium dan padi dengan menggunakan K-Nearest Neighbors menghasilkan tingkat keakurasian sebesar 72.8%. 3 Proses dekomposisi wavelet Haar penghitungannya sederhana, sehingga mudah dimengerti, karena kesederhanaannya ini juga waktu komputasi menjadi lebih cepat. Kesederhanaan dan kemudahan dalam proses penghitungan itulah yang menjadi keunggulan dari induk wavelet Haar. Saran 10 83% 72. Anthurium Padi Anthurium & Padi Tanaman Pengembangan yang dapat dilakukan pada penelitian ini antara lain : 1 Basis wavelet yang digunakan pada penelitian hanya wavelet Haar. Pengembangan selanjutnya dapat dilakukan perbandingan dengan basis wavelet yang lain seperti Coiflets, Symlets, Biortogona, dan Daubechies. 2 Menambahkan jumlah data citra yang lebih banyak dengan berbagai variasi tanaman sebagai koleksi data untuk data training. 3 Perlu dilakukan penelitian untuk perbandingan hasil klasifikasi dengan menggunakan metode klasifikasi yang lain. DAFTAR PUSTAKA Clifford John Euclidean Distance Matrix. (Akses : 14 desember 2010). Fatihagriculture Budidaya Anthurium. (Akses : 15 Januari 2010). Gonzalez RC et al Digital Image Processing Using Matlab. New Jersey : Pearson Prentice Hall. Gu Xiao et al Leaf Recognition Based on The Combination of Wavelet Transform and Coussian Interpolation. China: Department of Automation, University of Science and Technology. Haryanti Rivai Pengenalan ciri-ciri tekstur kecacatan kain sutera dengan menggunakan metode gaussian markov random field dengan klasifikasi SOM Kohonen, ITS, Surabaya. Jones C.L et al Wavelet packet Computation of the Hurst Exponent. Swinburne University of Technology, Australia. Osadebey ME Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea: Department of Applied Physics and Electronics, Umea Univercity. Putra Darma. 2010, Pengenalan Citra Digital. Yogyakarta : C.V Andi Offset. Song Y et al. 2007, IKNN: Informative K- Nearest Neighbor Pattern Classification, pringer-verlag Berlin Heidelberg. Stollnitz Eric J et al Wavelet for Computer Graphics: A Primer Part 2. University of Washington. 12
IDENTIFIKASI PENYAKIT PADI DAN ANTHURIUM MENGGUNAKAN WAVELET DENGAN KLASIFIKASI K-NEAREST NEIGHBORS ARVIANTO CANDRA WICAKSANA
IDENTIFIKASI PENYAKIT PADI DAN ANTHURIUM MENGGUNAKAN WAVELET DENGAN KLASIFIKASI K-NEAREST NEIGHBORS ARVIANTO CANDRA WICAKSANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan dijelaskan mengenai kebutuhan-kebutuhan yang digunakan dalam membuat program ini. Setelah semua kebutuhan selesai di analisa, maka penulis akan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciBAB I PENDAHULUAN. menggunakan digital watermarking. Watermarking bekerja dengan menyisipkan
BAB I PENDAHULUAN 1. Latar Belakang Perkembangan teknologi digital serta internet yang cukup pesat telah memberi kemudahan dalam mengakses dan mendistribusikan berbagai informasi dalam format digital,
Lebih terperinciPENGUKURAN KINERJA K-NEAREST NEIGHBORS
PENGUKURAN KINERJA K-NEAREST NEIGHBORS DAN SELF ORGANIZING MAPS MENGGUNAKAN FAST FOURIER TRANSFORM UNTUK IDENTIFIKASI PENYAKIT TANAMAN (STUDI KASUS : TANAMAN PADI DAN ANTHURIUM) MUHAMMAD IRFANSYAH DEPARTEMEN
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Citra (image) adalah kombinasi antara titik, garis, bidang, dan warna untuk menciptakan suatu imitasi dari suatu obyek, biasanya obyek fisik atau manusia. Citra dapat
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB I. PENDAHULUAN Latar Belakang Masalah
BAB I. PENDAHULUAN 1 1.1. Latar Belakang Masalah Citra adalah gambar yang berada pada bidang dua dimensi. Agar dapat diproses lebih lanjut, sebuah citra disimpan di dalam bentuk digital. Ukuran citra digital
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Phalaenopsis atau yang biasa disebut dengan anggrek bulan mempunyai banyak jenis. Ada 26 jenis yang sudah dikenali di Indonesia. Anggrek dapat diklasifikasikan berdasarkan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: b. Memori : 8192 MB. c. Sistem Model : Lenovo G40-45
20 BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : AMD A8-6410 APU (4 CPUs), ~2.0 GHz b. Memori : 8192
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA. Latar Belakang. Anthurium
Latar Belakang PENDAHULUAN Berbagai penyakit pada tanaman hias anthurium dan padi dapat merugikan petani khususnya dalam aspek ekonomis yang menyebabkan rendahnya kualitas produksi penjualan, sehingga
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Serangan penyakit pada tanaman padi dan anthurium merupakan faktor pembatas pertumbuhan dan hasil. Hama dan penyakit tanaman padi dan anthurium merupakan salah satu faktor penting
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman yang secara tidak disadari diikuti oleh perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
Lebih terperinciCreated with Print2PDF. To remove this line, buy a license at:
BAB III Pelaksanaan Penelitian Pada bab ini dibahas pelaksanaan ekstraksi unsur jalan secara otomatis yang terdiri dari tahap persiapan dan pengolahan data. Tahap persiapan yang terdiri dari pengambilan
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciBAB 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Bab ini merupakan pembahasan tentang analisis dan implementasi metode 2D Haar Wavelet Transform dan Least Significant Bit dalam proses penyisipan watermark pada citra
Lebih terperinciBAB III METODOLOGI PENELITIAN. manusia dengan menggunakan metode Gabor Filter dan Algoritma
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses rancang bangun aplikasi sistem pengenalan pola fraktur tengkorak manusia dengan menggunakan
Lebih terperinciIMPLEMENTASI TRANSFORMASI HAAR WAVELET UNTUK DETEKSI CITRA JERUK NIPIS YANG BUSUK
IMPLEMENTASI TRANSFORMASI HAAR WAVELET UNTUK DETEKSI CITRA JERUK NIPIS YANG BUSUK Lidya Andriani Sunjoyo 1 R. Gunawan Santosa 2 Kristian Adi Nugraha 3 lidya.andriani@ti.ukdw.ac.id gunawan@staff.ukdw.ac.id
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era globalisasi ini perkembangan teknologi komputer, informasi dan komunikasi yang sangat pesat memicu penggunaannya untuk kebutuhan pertukaran informasi yang semakin
Lebih terperinciPemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat
Pemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat Albertus Joko Santoso Teknik Informatika Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta albjoko@mail.uajy.ac.id Gede Bayu Suparta
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciBAB III METODOLOGI PENELITIAN. pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based
BAB III METODOLOGI PENELITIAN Pada bab ini diuraikan metode penelitian yang digunakan penulisan dalam pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based image inpainting dan metode
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang Masalah
1. Pendahuluan 1.1 Latar Belakang Masalah Jumlah pengguna komputer semakin meningkat. Peningkatan jumlah pengguna komputer mengakibatkan penggunaan data digital juga semakin meningkat. Salah satu media
Lebih terperinciAnalisis Wavelet 2D untuk Citra Photo
Analisis Wavelet 2D untuk Citra Photo Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Abstract Wavelet atau gelombang pendek biasa
Lebih terperinciPERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT)
PERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT) ABSTRAK Silvester Tena Jurusan Teknik Elektro Fakultas Sains dan Teknik, Universitas Nusa Cendana Jl. Adisucipto- Penfui
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperincicorak lukisan dengan seni dekorasi pakaian, muncul seni batik tulis seperti yang kita kenal sekarang ini. Kain batik merupakan ciri khas dari bangsa I
Pembuatan Perangkat Lunak Untuk Menampilkan Deskripsi Mengenai Batik dan Pola Citra Batik Berdasarkan Segmentasi Objek Maulana Sutrisna, maulanasutrisna@gmail.com Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciBAB I PENDAHULUAN. Timor Leste terletak di antara garis lintang 8 dan 10 S, dan bujur 124
BAB I PENDAHULUAN 1.1 Latar Belakang Timor Leste terletak di antara garis lintang 8 dan 10 S, dan bujur 124 dan 128 E. Terletak di Asia Tenggara, Pulau Timor merupakan bagian dari Asia Tenggara Maritim,
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciReza Fajar Rachmanda¹, Dr Ir Bambang Hidayat Dea², Rita Purnamasari³. ¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2013 ANALISIS SISTEM PENGIDENTIFIKASIAN JENIS-JENIS TANAMAN HIAS ALOCASIA MELALUI BENTUK DAN WARNA DAUN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN (SELF ORGANIZING
Lebih terperinciUKDW 1. BAB I PENDAHULUAN. 1.1.Latar Belakang Masalah
1. BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Tanaman bunga di dunia saat ini sangat beragam dan setiap bunga memiliki ciri karakteristik tertentu agar dapat dibedakan dari satu bunga dengan yang lain.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Seiring berkembangnya teknologi, digitalisasi sidik jari sudah sering digunakan, terutama pada passport, ID Card, visa dan dokumen lainnya. Karena kapasitas penyimpanan untuk menyimpan sidik jari
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui tahapan awal didalam sebuah sistem pendeteksian filter sobel. Didalam aplikasi filter sobel ini
Lebih terperinciBAB I PENDAHULUAN. Kemajuan teknologi informasi saat ini berdampak pada perkembangan ilmu
BAB I PENDAHULUAN 1.1 Latar Belakang Kemajuan teknologi informasi saat ini berdampak pada perkembangan ilmu pengetahuan yang lain, demikian pula dengan dunia telekomunikasi yang tidak dapat dipisahkan
Lebih terperinciVerifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login
The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciLeast Square Estimation
Least Square Estimation Untuk menyelesaikan koefisien proyeksi di posisi output, pendekatan Least-Squares pada fungsi aplikabel di ditulis dengan persamaan berikut: dimana sinyal kepastian c menetapkan
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciSISTEM PENGENALAN KUALITAS INDUK GURAME DENGAN METODE WAVELET DAN K-NN
ISBN : 978-979-19888-1-0 Prosiding : SEMINAR NASIONAL 2012 SISTEM PENGENALAN KUALITAS INDUK GURAME DENGAN METODE WAVELET DAN K-NN Fitri Astutik1 1, IKG Darma Putera2 2, I Nyoman Satya Kumara3 3, Budi Darmawan4
Lebih terperinciBABI PENDAHULUAN 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Saat ini transformasi wavelet banyak sekali digunakan dan bermanfaat untuk analisis numerik, analisis isyarat, aplikasi kontrol dan aplikasi audio [1]. Dalam analisis
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET
CONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET Nana Ramadijanti RG. Computer Vision, Program Studi Teknologi Informasi, Politeknik Elektronika Negri Surabaya E-mail: nana@eepis-its.edu
Lebih terperinciNurul Ilmi 1 1 Fakultas Informatika, Universitas Telkom, Bandung
Pengenalan Angka Tulisan Tangan dengan Menggunakan Local Binary Pattern Variance dan Klasifikasi K-Nearest Neighbour Handwriting Digit Recognition with Use Local Binary Pattern Variance and K-Nearest Neighbour
Lebih terperinciANALISA PERBANDINGAN KOMPRESI 2 GAMBAR TIFF DAN BMP MENGGUNAKAN METODE TRANSFORMASI WAVELET. Oleh: FIRU AL FARIZI
ANALISA PERBANDINGAN KOMPRESI 2 GAMBAR TIFF DAN BMP MENGGUNAKAN METODE TRANSFORMASI WAVELET Oleh: FIRU AL FARIZI 41508110009 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA
Lebih terperinciHALAMAN PERNYATAAN. Yogyakarta, Yang menyatakan, Fiddin Yusfida A la
HALAMAN PERNYATAAN Saya yang bertanda tangan di bawah ini: Nama : Fiddin Yusfida A la NIM : 20120140018 Program studi : Teknik Informatika Fakultas : Teknik Jenis karya : Skripsi Judul karya : Deteksi
Lebih terperinciSISTEM PENDETEKSI SENYUM BERDASARKAN METODE EDGE DETECTION, HISTOGRAM EQUALIZATION, DAN NEAREST NEIGHBOR
SISTEM PENDETEKSI SENYUM BERDASARKAN METODE EDGE DETECTION, HISTOGRAM EQUALIZATION, DAN NEAREST NEIGHBOR Eduard Royce, Ivanna K. Timotius, Iwan Setyawan SISTEM PENDETEKSI SENYUM BERDASARKAN METODE EDGE
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bertambahnya jumlah mahasiswa dari tahun ke tahun di IT Telkom mengakibatkan semakin banyak buku buku Tugas Akhir yang dibuat. Dengan semakin banyaknya buku
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciPERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET
PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET Sarwosri, Rully Soelaiman, dan Esther Hanaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciDedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2
37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho
Lebih terperinciBAB VI PENGUJIAN. 6.1 Tujuan Pengujian. 6.2 Rancangan Pengujian
BAB VI PENGUJIAN Bagian ini membahas mengenai pengujian yang dilakukan terhadap perangkat lunak Cammar yang telah diimplementasikan. Hasil penguj ian tersebut akan dianalisis untuk mengetahui pencapaian
Lebih terperinciIDENTIFIKASI JENIS TUMBUHAN BERDASARKAN TULANG DAUN MENGGUNAKAN ALIHRAGAM WAVELET
IDENTIFIKASI JENIS TUMBUHAN BERDASARKAN TULANG DAUN MENGGUNAKAN ALIHRAGAM WAVELET Anang Setiaji *), Achmad Hidayatno, and Yuli Christyono Jurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB 3 PERANCANGAN SISTEM
20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciSISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Pradityo Utomo Program Studi D3 Manajemen Informatika Universitas Merdeka Madiun pradityou@gmail.com ABSTRACT Information
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciPengembangan Aplikasi Presensi Sidik Jari dengan menggunakan Alihragam Wavelet dan Jarak Euclidean di Dinas Pendidikan Kabupaten Wonogiri
Makalah Pengembangan Aplikasi Presensi Sidik Jari dengan menggunakan Alihragam Wavelet dan Jarak Euclidean di Dinas Pendidikan Kabupaten Wonogiri disusun oleh : RANDI GUSTAMA PUTRA PROGRAM STUDI TEKNIK
Lebih terperinciANALISA KOMPRESI CITRA DIGITAL MENGGUNAKAN METODE HADAMARD
ANALISA KOMPRESI CITRA DIGITAL MENGGUNAKAN METODE HADAMARD Eva Haryanty, S.Kom. ABSTRAK Kompresi data adalah proses mengubah suatu input data menjadi data lain dengan format berbeda dan ukuran yang lebih
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian,
Lebih terperinciEKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN
EKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciTEKNIK PENGOLAHAN CITRA MENGGUNAKAN METODE KECERAHAN CITRA KONTRAS DAN PENAJAMAN CITRA DALAM MENGHASILKAN KUALITAS GAMBAR
TEKNIK PENGOLAHAN CITRA MENGGUNAKAN METODE KECERAHAN CITRA KONTRAS DAN PENAJAMAN CITRA DALAM MENGHASILKAN KUALITAS GAMBAR Zulkifli Dosen Tetap Fakultas Ilmu Komputer Universitas Almuslim Email : Zulladasicupak@gmail.com
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
Lebih terperinciPengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour. Yustar Pramudana
Pengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour Yustar Pramudana Program Studi Teknik Informatika, Departemen Informatika Telkom University Jl. Telekomunikasi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi informasi ternyata berdampak pada perkembangan ilmu pengetahuan yang lain. Semuanya merupakan informasi yang sangat penting. Oleh karena
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciDigital Watermarking Untuk Melindungi Informasi Informasi Multimedia Dengan Metode Fast Fourier Transform (FFT)
Digital ing Untuk Melindungi Informasi Informasi Multimedia Dengan Metode Fast Fourier Transform (FFT) Johnny Andrean Susanto (Exploration_231190@yahoo.com), Kelvin Giovanni Lukman (Kelvin_giovanni@yahoo.com)
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciPENYISIPAN WATERMARK PADA CITRA GRAYSCALE BERBASIS SVD
PENYISIPAN ATERMARK PADA CITRA GRAYSCALE BERBASIS SVD Prahadi Digdoyo Rosny Gonydjaja Rina Refianti Mutiara Email : prahadi.digdoyo@gmail.com Email : rosni-gj@staff.gundarma.ac.id Email : rina@staff.gunadarma.ac.id
Lebih terperinciJl. Nakula 1 No. 5-11, Jawa Tengah Telp : (024) , 2
PERBANDINGAN ALGORITMA PERHITUNGAN JARAK MENGGUNAKAN ECUILDEAN DAN MANHATTAN DISTANCE PADA K-NEAREST NEIGHBOR GUNA KLASIFIKASI CITRA JENIS MOBIL RODA EMPAT Erlangga Fery Anggriwan 1,DR. Pulung Nurtantio
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciArga Wahyumianto Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT
IDENTIFIKASI DAUN BERDASARKAN FITUR TULANG DAUN MENGGUNAKAN ALGORITMA EKSTRAKSI MINUTIAE Arga Wahyumianto 2209 105 047 Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT LATAR
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciKONSEP DASAR PENGOLAHAN CITRA
KONSEP DASAR PENGOLAHAN CITRA Copyright @ 2007 by Emy 2 1 Kompetensi Mampu membangun struktur data untuk merepresentasikan citra di dalam memori computer Mampu melakukan manipulasi citra dengan menggunakan
Lebih terperinciPEMANFAATAN K-NEAREST NEIGHBOR (KNN) PADA PENGENALAN WAJAH DENGAN PRAPROSES TRANSFORMASI WAVELET. Sufiatul Maryana, Lita Karlitasari, Arie Qur ania
Pemanfaatan K-Nearest Neighbor (KNN) / Sufiatul Maryana PEMANFAATAN K-NEAREST NEIGHBOR (KNN) PADA PENGENALAN WAJAH DENGAN PRAPROSES TRANSFORMASI WAVELET Sufiatul Maryana, Lita Karlitasari, Arie Qur ania
Lebih terperinci